具体描述
本书介绍了信息检索（IR）中的关键问题，以及这些问题如何影响搜索引擎的设计与实现，并且用数学模型强化了重要的概念。对于网络搜素引擎这一重要的话题，书中主要涵盖了在网络上广泛使用的搜索技术。
本书适用于高等院校计算机科学或计算机工程专业的本科生、研究生，对于专业人士而言，本书也不失为一本理想的入门教材。
作者简介
克罗夫特（W.Bruce Croft），马萨诸塞大学阿默斯特分校计算机科学特聘教授、ACM会士。他创建了智能信息检索研究中心，发表了200余篇论文，多次获奖，其中包括2003年由ACM SIGIR颁发的Gerard Salton奖。
Donald Metzler，马萨诸塞大学阿默斯特分校博士，是位于加州Santa Clara的雅虎研究中心搜索与计算机广告组的研究科学家。
Trevor Strohman，马萨诸塞大学阿默斯特分校博士。他开发了Galago搜索引擎，也是Indri搜索引擎的主要开发者。
目录信息
译者序
前言
第1章 搜索引擎和信息检索 1
1.1 什么是信息检索 1
1.2 重要问题 2
1.3 搜索引擎 4
1.4 搜索工程师 5
参考文献和深入阅读 6
练习 6
第2章 搜索引擎的架构 8
2.1 什么是软件架构 8
2.2 基本的构件 8
2.3 组件及其功能 10
2.3.1 文本采集 10
2.3.2 文本转换 12
2.3.3 索引的创建 13
2.3.4 用户交互 14
2.3.5 排序 15
2.3.6 评价 16
2.4 搜索引擎是如何工作的 17
参考文献和深入阅读 17
练习 17
第3章 信息采集和信息源 18
3.1 确定搜索的内容 18
3.2 网络信息爬取 18
3.2.1 抓取网页 19
3.2.2 网络爬虫 20
3.2.3 时新性 22
3.2.4 面向主题的信息采集 24
3.2.5 深层网络 24
3.2.6 网站地图 25
3.2.7 分布式信息采集 26
3.3 文档和电子邮件的信息采集 27
3.4 文档信息源 28
3.5 转换问题 30
3.6 存储文档 31
3.6.1 使用数据库系统 32
3.6.2 随机存取 32
3.6.3 压缩和大规模文件 33
3.6.4 更新 34
3.6.5 BigTable 35
3.7 重复检测 36
3.8 去除噪声 39
参考文献和深入阅读 42
练习 43
第4章 文本处理 45
4.1 从词到词项 45
4.2 文本统计 46
4.2.1 词表增长 49
4.2.2 估计数据集和结果集大小 51
4.3 文档解析 53
4.3.1 概述 53
4.3.2 词素切分 53
4.3.3 停用词去除 55
4.3.4 词干提取 55
4.3.5 短语和n元串 59
4.4 文档结构和标记 62
4.5 链接分析 63
4.5.1 锚文本 64
4.5.2 PageRank 64
4.5.3 链接质量 68
4.6 信息抽取 69
4.7 国际化 72
参考文献和深入阅读 73
练习 74
第5章 基于索引的相关排序 76
5.1 概述 76
5.2 抽象的相关排序模型 76
5.3 倒排索引 78
5.3.1 文档 79
5.3.2 计数 81
5.3.3 位置 82
5.3.4 域与范围 83
5.3.5 分数 84
5.3.6 排列 85
5.4 压缩 85
5.4.1 熵与歧义 86
5.4.2 Delta编码 87
5.4.3 位对齐码 88
5.4.4 字节对齐码 90
5.4.5 实际应用中的压缩 90
5.4.6 展望 91
5.4.7 跳转和跳转指针 92
5.5 辅助结构 93
5.6 索引构建 94
5.6.1 简单构建 94
5.6.2 融合 95
5.6.3 并行与分布式 96
5.6.4 更新 99
5.7 查询处理 99
5.7.1 document-at-a-time评价 100
5.7.2 term-at-a-time评价 101
5.7.3 优化技术 102
5.7.4 结构化查询 107
5.7.5 分布式的评价 108
5.7.6 缓存 109
参考文献和深入阅读 109
练习 110
第6章 查询与界面 113
6.1 信息需求与查询 113
6.2 查询转换与提炼 114
6.2.1 停用词去除和词干提取 114
6.2.2 拼写检查和建议 117
6.2.3 查询扩展 121
6.2.4 相关反馈 126
6.2.5 上下文和个性化 128
6.3 搜索结果显示 130
6.3.1 搜索结果页面与页面摘要 130
6.3.2 广告与搜索 132
6.3.3 结果聚类 134
6.4 跨语言搜索 137
参考文献和深入阅读 139
练习 140
第7章 检索模型 142
7.1 检索模型概述 142
7.1.1 布尔检索 143
7.1.2 向量空间模型 144
7.2 概率模型 148
7.2.1 将信息检索作为分类问题 148
7.2.2 BM25排序算法 151
7.3 基于排序的语言模型 153
7.3.1 查询项似然排序 154
7.3.2 相关性模型和伪相关反馈 158
7.4 复杂查询和证据整合 162
7.4.1 推理网络模型 163
7.4.2 Galago查询语言 165
7.5 网络搜索 169
7.6 机器学习和信息检索 171
7.6.1 排序学习 172
7.6.2 主题模型和词汇不匹配 174
7.7 基于应用的模型 175
参考文献和深入阅读 176
练习 178
第8章 搜索引擎评价 179
8.1 搜索引擎评价的意义 179
8.2 评价语料 180
8.3 日志 184
8.4 效果评价 186
8.4.1 召回率和准确率 186
8.4.2 平均化和插值 189
8.4.3 关注排序靠前的文档 192
8.4.4 使用用户偏好 194
8.5 效率评价 195
8.6 训练、测试和统计 196
8.6.1 显著性检验 196
8.6.2 设置参数值 200
8.6.3 在线测试 201
8.7 基本要点 201
参考文献和深入阅读 203
练习 203
第9章 分类和聚类 205
9.1 分类 206
9.1.1 朴素贝叶斯 207
9.1.2 支持向量机 212
9.1.3 评价 216
9.1.4 分类器和特征选择 216
9.1.5 垃圾、情感及在线广告 219
9.2 聚类 224
9.2.1 层次聚类和K均值聚类 225
9.2.2 K近邻聚类 231
9.2.3 评价 232
9.2.4 如何选择K 233
9.2.5 聚类和搜索 234
参考文献和深入阅读 236
练习 236
第10章 社会化搜索 238
10.1 什么是社会化搜索 238
10.2 用户标签和人工索引 239
10.2.1 搜索标签 241
10.2.2 推测缺失的标签 242
10.2.3 浏览和标签云 243
10.3 社区内搜索 244
10.3.1 什么是社区 244
10.3.2 社区发现 245
10.3.3 基于社区的问答 248
10.3.4 协同搜索 251
10.4 过滤和推荐 253
10.4.1 文档过滤 253
10.4.2 协同过滤 258
10.5 P2P搜索和元搜索 262
10.5.1 分布式搜索 262
10.5.2 P2P网络 264
参考文献和深入阅读 267
练习 268
第11章 超越词袋 270
11.1 概述 270
11.2 基于特征的检索模型 270
11.3 词项依赖模型 271
11.4 再谈结构化 275
11.4.1 XML检索 276
11.4.2 实体搜索 277
11.5 问题越长，答案越好 278
11.6 词语、图片和音乐 281
11.7 搜索能否适用于所有情况 286
参考文献和深入阅读 287
练习 289
参考文献 290
· · · · · · (收起)
读后感
最早的搜索引擎书籍是2005年北大天网的李晓明、阎宏飞等写的《搜索引擎》http://book.douban.com/subject/1481158/，那本书虽然有点老，但是对于搜索的技术点：爬虫、文本清洗、分词、存储、检索等都涉及到了，特别是对于中文的处理。如果想了解搜索引擎，可以先看那本书，...
用户评价
这本书刚拿到手时，我被它的封面设计吸引了，那种简洁大气又带着一丝神秘感的风格，让我想起许多关于信息海洋的隐喻。迫不及待地翻开，我期待着一场思维的探索之旅。虽然我还没深入阅读，但仅仅从目录和前言的标题来看，就足以让人浮想联翩。“算法的奥秘”、“信息的边界”、“用户体验的革命”……这些词汇如同开启了新世界的大门，让我开始思考我们在日常生活中习以为常的搜索行为背后，隐藏着多么庞大而精密的系统。我猜想，这本书可能会带领我们深入了解那些无形却强大的力量，是如何将浩如烟海的互联网信息，精确地呈现在我们眼前的。它或许会揭示，那些我们随手输入关键词后瞬间获得的答案，并非偶然，而是无数次技术迭代和智慧结晶的产物。我特别好奇它会如何阐述“用户体验”这个概念，毕竟，一个好的搜索引擎不仅仅是找到信息，更是如何让我们在信息的海洋里，感受到轻松、高效和愉悦。这本书给我一种预感，它将不仅仅是技术层面的剖析，更会触及我们与信息互动方式的深刻变革，甚至可能影响我们的认知模式。我准备好迎接一场智识的洗礼，去探索那些隐藏在屏幕背后，重塑我们获取知识和理解世界的无形之手。
当我拿起这本书，第一感觉是它传递出一种严谨而不失温度的气息。封面上那种略带复古又透着科技感的插图，让我联想到早期互联网的探索者们，他们是如何怀揣着连接世界的梦想，一步步奠定今天信息时代的基石。我还没来得及细读内容，但瞥到的几页序言，就让我感受到作者对这个领域的深厚情感和洞察力。他/她似乎在用一种讲述故事的方式，引导读者去理解搜索引擎不仅仅是一个工具，更是一种文明的产物，承载着人类对知识的渴望和对连接的追求。我尤其对其中提到的“信息鸿沟”和“算法偏见”等话题感到好奇，这似乎触及到了技术发展中更深层次的伦理和社会问题。这本书会不会探讨，在追求效率的同时，我们是否也可能在无意中加剧了某些不平等？或者，它会提出一些建设性的思考，关于如何让信息技术更好地服务于全人类，而不是加剧分裂。我期待它能提供一些独到的视角，让我重新审视这个我们每天都在使用的工具，去理解它背后的复杂性和多维度影响。这本书给我一种感觉，它不是一本枯燥的技术手册，而更像是一场关于信息、技术与人性的对话，引人深思。
这本书给我一种“知识宝库”的即视感。打开它，就好像进入了一个精心设计的知识殿堂，里面的每一章节都像是一件等待被发掘的珍宝。我注意到书名本身就极具指向性，让我立刻联想到那些关于信息检索、数据挖掘和知识管理的宏大主题。虽然我还没有开始实质性的阅读，但仅仅是浏览目录和章节标题，就足以勾勒出它可能涵盖的广阔领域。“关键词的魔力”、“信息组织的艺术”、“搜索引擎的演进史”……这些字眼让我对它充满了期待。我猜想，这本书会以一种系统性的方式，为我们梳理出搜索引擎从无到有、从简陋到智能的完整脉络。它可能会深入浅出地讲解那些支撑起我们日常搜索行为的技术原理，比如爬虫、索引、排序等等，让我们不再觉得搜索结果是凭空出现的。更让我感兴趣的是，它是否会探讨搜索引擎在信息传播、舆论形成乃至社会认知方面所扮演的角色。毕竟，我们获取的信息很大程度上是由搜索引擎决定的，这其中蕴含着巨大的力量，也伴随着潜在的风险。这本书给我一种感觉，它不仅是技术的普及，更是一次关于信息时代主人翁意识的唤醒。
拿到这本书，我的第一感觉是它充满了“探索未知”的吸引力。那简洁而富有设计感的封面，让我联想到在信息海洋中航行的探险者。我还没有深入翻阅，但仅从书名和大致的排版风格，就能感受到它所蕴含的深度和广度。那些看似寻常的搜索行为，背后究竟隐藏着怎样的智慧与挑战？这本书会不会像一位经验丰富的向导，带领我穿梭于互联网世界的复杂迷宫？我期待它能揭示那些驱动搜索引擎运作的“幕后英雄”，例如那些精妙绝伦的算法，它们是如何在亿万信息中捕捉到我们真正需要的那一闪而过的灵感。同时，我也好奇它是否会探讨人类在信息爆炸时代所面临的困境，以及搜索引擎如何成为我们应对这一挑战的重要工具。它会不会提供一些实用的技巧，让我们更有效地利用搜索引擎来获取知识、解决问题，甚至激发创造力？这本书给我的印象是，它不仅仅是关于技术，更是一种关于如何与信息建立更深层次连接的哲学思考。我准备好跟随作者的脚步，去揭开那个我们每天都在使用的“神秘盒子”的面纱，去理解它为何如此重要，又为何如此强大。
这本书的出现，仿佛一股清流，激起了我对信息世界背后运作机制的好奇心。从它朴实无华但充满力量的书名，到扉页那句意味深长的话，都让我感受到一种回归本源、深入探究的决心。我还没有来得及细读，但仅仅是封面设计所传达出的那种沉静而坚毅的学术氛围，就足以让我心生敬意。我设想，这本书可能会将我们从碎片化的信息流中拉回，带领我们去审视那些支撑起整个信息生态系统的基石。它或许会像一位老练的匠人，一丝不苟地剖析信息检索的每一个环节，从数据的采集、整理，到最终的呈现，每一个步骤都凝聚着智慧与汗水。我尤其期待它能探讨搜索引擎如何不断演进，以适应人类日益增长的信息需求和不断变化的学习方式。它会不会揭示那些隐藏在智能推荐背后的逻辑，让我们理解为何我们会看到特定的内容？这本书给我一种预感，它将是一次严谨的学术探索，但又不失对普通读者的关怀，它会用最清晰的语言，解释最复杂的技术，让我们在理解信息的同时，也理解了我们自己与信息的关系，以及我们在数字时代所扮演的角色。
总之读过之后知道基本概念了
读这样小字体的专业书籍需要耐性~
粗粒度概览搜索引擎的主要技术领域，每个领域介绍1-2个经典算法。比较适合新进从业者。
书籍章节、内容等安排非常合理，读起来特别顺畅，有相见恨晚的感觉，而且翻译质量也很高~
粗粒度概览搜索引擎的主要技术领域，每个领域介绍1-2个经典算法。比较适合新进从业者。
